在科技飞速发展的时代,科技文献数量增长的速度越来越快,但是科技文献一般篇幅较长,无法快速掌握核心内容,因此,急需一种科技文献关键短语提取方法。关键短语提取是指从一段文字中标注出能够概括该段文本核心意思的短语或词语。现有的大多数科技文献关键短语提取方法都基于词频信息,并没有包含足够的语义信息;很多方法属于单词级别,没有利用单词之间产生的短语信息,在提取多个单词的较长关键短语上效果不佳。针对上述问题,本文分别针对专利文本和科学论文两种科技文献,基于不同的特征表示方法开展对科技文献关键短语提取方法的研究,主要工作内容如下:（1）已有的科技文献关键词提取方法大多基于词频信息,没有包含足够的语义信息,为此,提出一种基于聚类的无监督专利关键词提取方法。首先,使用中文专利语料库来训练词向量,然后将每个专利表示成一个专利向量。随后将所有专利向量聚类以获得多个聚类簇心。最后将专利摘要中每个单词的词向量与簇心之间的余弦相似度视为该词的重要程度。多个中文专利数据集上的实验结果证明了该方法的有效性。（2）近年来,基于单词级别的关键短语提取方法取得了较好的效果,然而这些方法没有充分利用单词上下文生成的短语信息,导致对长短不一的关键短语提取效果不佳,为此,提出一种基于多尺寸卷积窗口的科学论文关键短语提取方法。该方法首先使用预训练的Skip-gram模型来获取单词嵌入表示空间。然后,引入具有多尺寸过滤器的卷积神经网络,将文本映射到分布式特征向量中,其中每个特征向量代表不同长度的短语信息。接下来,使用深度循环神经网络标记每个单词所扮演的角色。最后,利用注意力机制进一步判断每个短语的重要性。多个公开数据集上的实验结果证明了该方法的竞争力。